📅

Project

🏆 Highlight

### 212K Benchmarks: CLAUDE.md sollte Projektwissen sein, kein Style Guide TechLoom hat nach 212.000+ Benchmark-Runs über Python, Go, JavaScript und C# seine ursprünglichen Empfehlungen vollständig revidiert. Das Kern-Ergebnis: Keine Prompt-Konfiguration schlägt konsistent einen leeren Prompt. Die Korrelation zwischen Instruction-Tokens und Qualität ist r = -0,95. Die praktischen Imp...

🔤 TOP 3 PROMPTS — Textgenerierung

1. Plugin-Kontextkosten-Audit

Prompt (vollständig, kopierbar):

Audit what my installed agent plugins cost me per turn, in tokens and in money.

My harness and plan: [z.B. "Claude Code, Max $100/month"]
Installed plugins and their reported context cost:
[PLUGIN NAME: TOKENS — eine Zeile pro Plugin.
 Führe /plugin aus, öffne die Detailansicht jedes Plugins, lies die "Context cost"-Zeile.]
Typical session: [RUND HOW MANY TURNS]
Sessions per week: [NUMBER]

Work through:
1. Per-turn overhead: total tokens all enabled plugins add before my prompt is read,
   as a percentage of a typical turn.
2. Cost: that overhead multiplied by my turns per week, converted to money at my plan's effective rate.
3. Use versus cost: which plugins I have actually invoked in the last two weeks.
   Anything I have not invoked is paying rent with no return.
4. The cut: name the two plugins to disable first, and what I lose by disabling them.

Am besten mit: Claude Sonnet 5 / Opus 5, GPT-5.6 Sol

Warum effektiv: Jeder installierte Plugin kostet Kontext-Tokens pro Turn — nicht nur einmal beim Installieren. Die meisten Nutzer installieren fünf Plugins und schauen nie wieder hin. Dieser Prompt quantifiziert die versteckten Kosten und nennt konkret, welche Plugins deaktiviert werden sollten.

Quelle: https://www.promptreceipts.com/blog/claude-code-plugin-marketplace-no-price-2026 | 1↑ HN

Community Resonanz: Prompt Receipts hat die Analyse gegen die offizielle Claude Code Plugin-Dokumentation, die MCP Registry API und den Glama MCP-Index (66.972 Server am 2. August 2026) geprüft. Der Claude Code Plugin-Marktplatz ist eine JSON-Datei in einem Git-Repo — es gibt kein Preisfeld im Schema.

2. Minimalistische CLAUDE.md — Nur Projektwissen, keine Stilregeln

Prompt (vollständig, kopierbar):

# Project

Stack: [language, framework, key libraries]

Structure: [src/ = code, tests/ = mirror, key directories]

Commands:
- Build: [command]
- Test: [command]
- Lint: [command]

Conventions:
- [Team-specific convention, e.g., "commits: type(scope): message"]
- [Deployment constraint, e.g., "No direct DB migrations — use Prisma only"]

Am besten mit: Alle Claude-Modelle (Haiku, Sonnet, Opus)

Warum effektiv: 212.000+ Benchmarks über 4 Sprachen hinweg zeigen: r = -0,95 Korrelation zwischen Instruction-Token-Anzahl und Code-Qualität. Jeder zusätzliche Token im System-Prompt verringert marginal die Ausgabequalität. CLAUDE.md sollte nur Projektwissen enthalten, das das Modell nicht aus dem Training kennen kann — keine Stilregeln, kein „think step by step", kein „you are a senior engineer".

Quelle: https://techloom.it/blog/effective-ai-coding-prompts/ | 2↑ HN

Community Resonanz: TechLoom hat 1.458 Runs mit 13 Prompt-Konfigurationen über Claude Haiku, Sonnet und Opus in 4 Programmiersprachen durchgeführt. Positiv formulierte Anweisungen schlagen negativ formulierte um 0,66 Punkte (91,61 vs. 90,95). Workflow-Prompts halfen Opus bei Instruction-Following um +5,80 Punkte.

3. OpenCode Default Session Prompt — CLI-Agent Disziplin

Prompt (vollständig, kopierbar):

You are opencode, an interactive CLI tool that helps users with software engineering tasks.

# Tone and style
You should be concise, direct, and to the point.
Only address the specific query or task at hand, avoiding tangential information unless absolutely critical.
You should minimize output tokens as much as possible while maintaining helpfulness, quality, and accuracy.
You should NOT answer with unnecessary preamble or postamble.
Keep your responses short, since they will be displayed on a command line interface.
You MUST answer concisely with fewer than 4 lines of text (not including tool use or code generation).
You MUST avoid text before/after your response, such as "The answer is <answer>" or "Here is the content...".

# Proactiveness
Do not add additional code explanation summary unless requested by the user.
After working on a file, just stop, rather than providing an explanation of what you did.

# Code style
IMPORTANT: DO NOT ADD ANY COMMENTS unless asked.

# Doing tasks
- Use the available search tools extensively both in parallel and sequentially.
- Implement the solution using all tools available to you.
- Verify the solution if possible with tests.
- When you have completed a task, you MUST run the lint and typecheck commands.
NEVER commit changes unless the user explicitly asks you to.

# Tool usage policy
When doing file search, prefer to use the Task tool to reduce context usage.
When multiple independent pieces of information are requested, batch your tool calls together.

Am besten mit: OpenCode (alle unterstützten Modelle), Claude Code, Cursor

Warum effektiv: OpenCode (1274↑ HN) hat seine Default-Session-Prompts open-sourced — 95 Zeilen präzise CLI-Disziplin. Der Prompt erzwingt maximale Kürze, verbietet Comments und Zusammenfassungen, und priorisiert parallele Tool-Calls. Ideal als Vorlage für eigene Coding-Agent-Konfigurationen.

Quelle: https://github.com/anomalyco/opencode/tree/dev/packages/opencode/src/session/prompt | 1274↑ HN (OpenCode)

Community Resonanz: OpenCode ist der Open-Source AI Coding Agent, der auf HN mit 1274 Upvotes gelistet ist. Supabase Evals zeigt: Opus 5 und Kimi K3 erreichen 100% bei Build-Szenarien ohne Skills, Sonnet 5 steigt mit Skills von 78% auf 100%.

🖼️ TOP 3 PROMPTS — Bildgenerierung

(Keine frischen Bildgenerierungs-Prompts in den letzten 24 Stunden identifiziert.)

🎬 TOP 3 PROMPTS — Videogenerierung

1. Seedance 2.5 — One-Take Konzert-Sequenz

Prompt (vollständig, kopierbar):

A 30-second concert sequence in 16:9 landscape, with cinematic realism, authentic concert hall
lighting and shadows, warm golden stage lighting, and the atmosphere of a formal classical concert.
Use @Image 1 for the venue. Reference @Image 2 for the pianist. Reference @Image 3 for the cello.
Reference @Image 4 for the violin. The lead vocalist must strictly follow @Image 5.
Reference @Images 6 to 10 for the rest of the orchestra. Reference @Images 11 to 14 for the choir.
Reference @Images 15 to 18 for the audience seating.

The lead vocalist walks from center stage toward the front edge. The pianist is positioned by
the piano. The orchestra is arranged on both sides and toward the rear. The choir stands at the
back of the stage. Open with a high-angle wide shot of the full concert hall. The pianist strikes
the keys, and the lead vocalist steps into the spotlight and begins singing. The camera naturally
moves across the violin, cello, and orchestra as they perform together, with the violin feeling
bright and the cello warm. In the latter part, the choir joins in. The lead vocalist briefly makes
eye contact with front-row audience members, who respond with a smile and a slight nod. In the
closing shot, the camera pulls back. The singing ends, and the audience joins in the applause.

Am besten mit: Seedance 2.5 (ByteDance, Jimeng AI / Doubao Pro)

Warum effektiv: Seedance 2.5 (veröffentlicht 31. Juli 2026) unterstützt bis zu 30 Bilder, 10 Video-Clips und 10 Audio-Clips als Referenzmaterial in einem einzigen Durchgang. Bis zu 30 Sekunden pro Generation mit Multi-Round-Extensions. Der Prompt zeigt die R2V-Struktur mit @Image-Referenzen und narrativer Kameraführung.

Quelle: https://seed.bytedance.com/en/blog/one-take-creation-flexible-referencing-introducing-seedance-2-5 | 323↑ HN

Community Resonanz: Seedance 2.5 war mit 323 Upvotes auf der HN-Frontpage. Erweitert Single-Pass von 15 auf 30 Sekunden, unterstützt Timestamp-bearbeitung und Green-Screen-Editing.

2. Seedance 2.5 — Peking Opera Referenz-Video

Prompt (vollständig, kopierbar):

16:9 widescreen, cinematic texture, single continuous take, smooth camera movement, no cuts.
Scene reference: @Image 4.

0–5s: Open with a close-up of the Overlord from @Image 2. The camera slowly circles his upper body
and transitions into a medium shot. The Overlord spins and turns, his body and back flags sweeping
quickly past the lens to form a natural occlusion, and the camera follows through to Consort Yu's
side in @Image 1.

6–10s: The camera steadily circles Consort Yu in a medium shot from @Image 1, following her water
sleeves through the arc. She raises her arm, flicks her wrist, unfurls the sleeves, and half-turns.
She then draws the sleeves back, holds the pose, and looks sideways toward the Overlord.

11–20s: The male warrior from @Image 3 enters with an aerial flip. The Overlord takes center stage
while the warrior advances and retreats on the opposite side in a combat exchange. Consort Yu stands
slightly behind and to the side of the Overlord, weaving in water-sleeve movements to set softness
against strength. The camera slowly pulls back from a medium-close shot of the warrior to a full
stage view. At the end, all three face the audience and strike a synchronized Peking opera finale pose.

Am besten mit: Seedance 2.5 (ByteDance)

Warum effektiv: Demonstriert die Timestamp-gesteuerte Kameraführung — 0–5s, 6–10s, 11–20s mit je spezifischer Bildreferenz. Seedance 2.5 versteht die zeitliche Segmentierung und setzt die Kameraführung präzise um. Clay-Render-Referenzen für räumliche Struktur sind ebenfalls neu.

Quelle: https://seed.bytedance.com/en/blog/one-take-creation-flexible-referencing-introducing-seedance-2-5 | 323↑ HN

Community Resonanz: Besonders die Clay-Render-Referenzierung wurde als innovativ hervorgehoben — texturlose 3D-Modelle definieren Kamerabewegung, Blocking und Licht, das Modell rendert die finale Szene.

3. MiniMax H3 — Omni-Modal Video mit nativem Stereo-Audio

Prompt-Struktur (kopierbares Muster):

[Text-Beschreibung der Szene]
Referenz Kamerabewegung aus @Video 1.
Charakter in @Image 2 singt.
Vocals passen zu @Audio 3.

Dauer: [4–15 Sekunden, ganzzahlig]
Auflösung: 2K

Am besten mit: MiniMax H3 (API: MiniMax-H3, App: Hailuo AI)

Warum effektiv: MiniMax H3 (veröffentlicht 31. Juli 2026) ist kein Text-zu-Video-Modell mit Add-ons, sondern ein general-purpose multimodales Generierungsmodell. Es liest Text, Bilder, Video und Audio als einheitlichen Kontext und liefert Video mit nativem Stereo-Sound. 2K-Auflösung, ~$0,13/Sekunde (Pay-as-you-go).

Quelle: https://www.marktechpost.com/2026/08/01/minimax-releases-minimax-h3-an-omni-modal-video-model-that-generates-15-second-2k-clips-with-native-stereo-audio/

Community Resonanz: SCMP berichtet (via Artificial Analysis), dass H3 bei Video-Editing führt, aber bei Text-to-Video hinter Google Gemini Omni Flash und bei Image-to-Video hinter Seedance 2.0 und Gemini Omni Flash liegt.

🧠 TOP 3 NEUE TECHNIKEN

1. Prompt Caching Health Monitoring

Zusammenfassung: Sichtbarkeit der Cache-Hit-Rate in Agent-Sessions als Diagnosewerkzeug für Prompt-Qualität und Kostenkontrolle.

Erklärung: Provider-APIs bieten Prompt-Caching in zwei Varianten: (1) Prefix-basiert (gemeinsamer Anfang wird automatisch gecacht) und (2) explizit via cache_control-Breakpoints. Caching erzeugt aber nicht-offensichtliche Anreize — Agenten können gezwungen sein, redundante Kontext-Wiederholungen einzufügen, nur um Cache-Grenzen zu treffen. Ein Cache-Miss-Notice-System macht Cache-Probleme sichtbar: showCacheMissNotices in settings.json warnt, wenn eine Session unerwartet viele Cache-Misses hat.

Beispielprompt:

Set PI_CACHE_RETENTION=long in your agent environment.
Enable showCacheMissNotices in settings.json.
When cache-hit rate drops below 60%, check:
- Did the system prompt change? (invalidates prefix)
- Are skills loading in inconsistent order?
- Is the agent re-reading context that should be cached?

Geeignet für: Claude Code, Cursor, alle Agent-Frameworks mit Cache-Unterstützung

Ursprung: https://earendil.com/posts/prompt-caching/ | 2↑ HN

Warum heute wichtig: Bei Agent-Sessions mit hunderten Turns macht Cache-Hygiene den Unterschied zwischen $5 und $50 pro Session. Die Cache-Hit-Rate als observable Metrik ist neu und praktisch umsetzbar.

2. Positive Framing statt Negative Constraints

Zusammenfassung: Positiv formulierte Anweisungen („schreibe klaren Code") schlagen negativ formulierte („schreibe keinen unübersichtlichen Code") um messbare Margen.

Erklärung: In 212.000+ Benchmarks zeigte sich: Negative Constraints („do not leave dead code", „do not use clever one-liners") performen konsistent schlechter als positive Äquivalente („write clear, self-documenting code", „keep functions focused and short"). Der Unterschied: 0,66 Punkte (91,61 vs. 90,95). Negative Instruktionen primen das Modell auf den beschriebenen Fehlermodus — „do not write deeply nested code" lenkt die Aufmerksamkeit auf genau dieses Konzept, und diese Attention-Leak erscheint im Output.

Beispielprompt:

Statt: "Do not write functions longer than 30 lines"
Besser: "Keep functions focused and under 30 lines"

Statt: "Don't use global variables"
Besser: "Pass state explicitly through function parameters"

Statt: "Do not leave TODO comments"
Besser: "Resolve or implement every TODO before committing"

Geeignet für: Claude Haiku/Sonnet/Opus, GPT-5.6, alle Coding-Modelle

Ursprung: https://techloom.it/blog/effective-ai-coding-prompts/ | 2↑ HN

Warum heute wichtig: Die meisten CLAUDE.md-Dateien und Agent-Skills sind voll mit negativen Constraints. Das einfache Umschreiben auf positive Formulierungen bringt messbare Qualitätsverbesserung ohne zusätzliche Tokens.

3. Target-Conditioned Abstraction für Wissenschaftliche Inspiration

Zusammenfassung: Statt Papers nach thematischer Ähnlichkeit zu durchsuchen, lernt ein Modell transferierbare Abstraktionen aus Kandidaten-Papers speziell für das Zielproblem.

Erklärung: TCA-SIR reformuliert Scientific Inspiration Retrieval: Statt „finde Papers, die ähnlich sind" heißt es jetzt „extrahiere das übertragbare Prinzip aus diesem Paper für MEIN Problem". Auf ResearchBench verbessert TCA-SIR HitRate@top4% um >10 Prozentpunkte gegenüber MOOSE-Chem und direktem LLM-Retrieval. Die gelernten Abstraktionen liefern auch interpretierbare Begründungen, warum ein Paper relevant ist.

Beispielprompt:

Given this target research problem: [BESCHREIBUNG]
And this source paper: [PAPER/TITEL/ZUSAMMENFASSUNG]

Extract the transferable abstract principle from the source paper
that applies specifically to the target problem. Focus on the
problem-solving METHOD, not the domain-specific details. Then
explain how this principle maps onto the target problem's structure.

Geeignet für: Reasoning-Modelle (Opus 5, Kimi K3, GPT-5.6 Sol)

Ursprung: arXiv 2607.28617 (TCA-SIR)

Warum heute wichtig: Für Researchers, die mit LLMs Literatur durchsuchen, ist thematische Ähnlichkeit oft irreführend. Die Methode, übertragbare Prinzipien zu extrahieren statt Paper zu matchen, ist ein Paradigmenwechsel in der wissenschaftlichen Literaturrecherche.

🏆 Highlight des Tages

212K Benchmarks: CLAUDE.md sollte Projektwissen sein, kein Style Guide

TechLoom hat nach 212.000+ Benchmark-Runs über Python, Go, JavaScript und C# seine ursprünglichen Empfehlungen vollständig revidiert. Das Kern-Ergebnis: Keine Prompt-Konfiguration schlägt konsistent einen leeren Prompt. Die Korrelation zwischen Instruction-Tokens und Qualität ist r = -0,95.

Die praktischen Implikationen sind radikal: CLAUDE.md-Dateien sollten nur enthalten, was das Modell nicht aus dem Training wissen kann — Projekt-Stack, Build-Kommandos, Team-Konventionen. Alles andere (Stilregeln, „think step by step", Personas) kostet Tokens und senkt die Qualität.

Besonders wertvoll: Instructions helfen nur dort, wo das Modell schwächelt (Refactoring, Instruction-Following bei Opus: +5,80 Punkte mit Workflow-Prompt), und schaden dort, wo es stark ist (Bug Fixes, Code-Generierung).

Quelle: https://techloom.it/blog/effective-ai-coding-prompts/

📰 Erlesene Artikel & Ressourcen

Bericht erstellt am 2026-08-02 Quellen: Hacker News, AI News Portals, arXiv, GitHub, Personal Blogs